1.一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，包括以下步骤：输入N个点的F维点云X；

构建局部动态图G =(V, )，其中，G代表利用knn算法为中心点 连接邻域点 构建的一个代表点云局部结构的有向图，V代表顶点， 代表边；

定义每个点 及它的K个近邻点 来构建局部有向图结构，该有向图每个节点会指向自身，因此将边缘特征定义为：;

用最大池化与平均池化相结合的操作将得到K个特征信息 整合为一个特征，作为点的新特征 ；

在构建局部图时，整个点云会变成一个个独立的分组，利用多层感知机直接对原始输入点云进行处理，用该操作提取出高维全局特征 ；

因此，GEConv模块的输出为 ；

且每一层特征提取模块的输入都是之前所有输出特征的拼接结果 ；

在提取特征的基础上，引入空间注意力模块；空间注意力模块将输入的特征（F）沿着通道方向分别进行最大池化及平均池化操作，将两项输出在通道维度上进行拼接，然后进行卷积操作，最后通过sigmoid函数得到与输入大小相通的空间注意力图（ ）；

将所有位置的特征在通道维度上与输入特征进行元素乘法，从而有选择性地聚合上下文信息，得到新的特征 。

2.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述F维点云X表示为：;

其中， 为点云1， 为点云n， 为点云本身以及其三维坐标。

3.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述局部图G =(V, )的构建基于每个点周围邻近的K个点。

4.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述K个近邻点 表示为：;

其中 表示欧几里得范数。

5.根据权利要求4所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，K个节点特征集合 表示为：；

所述点 的新特征 表示为：

;

其中，代表融合Relu操作， 代表最大池化操作， 代表平均池化操作， 代表提取到的特征。

6.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述高维全局特征 表示为：;

其中， 为输出特征， 为输入点云， 为多层感知机操作。

7.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述 表示为：;

其中， 为通过局部图得到的细节特征， 是通过多层感知机学习到的全局信息，是拼接操作。

8.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述拼接结果 为：;

其中， 表示l+1层网络之前的所有输出特征。

9.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述（ ）为：;

其中， 为特征层F的空间注意力权重； 和 是平均池化和最大池化操作的结果；是拼接操作； 是卷积操作；是sigmoid函数。

10.根据权利要求1所述的一种基于动态图卷积和空间注意力的点云语义分割网络，其特征在于，所述新的特征 为：;

其中， 是优化后的特征图，其输出的维度均与输入特征F相同。